柬教官计算机专业外训教学探索

近年来,我室承担了柬埔寨教官计算机专业培训的外训教学任务,由于没有外训经验,教学过程中面临许多新问题,任务艰巨。如何有效实施计算机专业外训教学,提升外训教学水平是当前迫切需要探索的课题。从柬教官的特点和计算机专业的特点出发,对外训教学的规范化问题提出了几点看法,以期为提高教学效果提供借鉴。     

改进的协同进化遗传算法在机器博弈中的应用

阐述了一种典型的协同进化遗传算法(SANE),在机器博弈中,用前馈神经网络(FNN)表示局面估值函数,该算法采用两个种群合作协同的方式进化该FNN.对上述算法在种群的初始化方面进行了合理改进:用粒子群算法(PSO)先对种群进行预处理.实验表明,在协同进化的过程中,经过预处理的种群会比随机生成的种群效率更高.     

《900/1800MHz TDMA数字蜂窝移动通信网通用分组无线业务(GPRS)隧道协议技术规范》内容简介

在国际上由于对无线数据业务的需求,特别是Internet的迅猛发展,急需出台技术行业标准已成为全球通信业的共识。欧洲电信标准化协会ETSI为了提高GSM对分组数据业务的网络支撑能力,于1993年开始研究制定基于数字蜂窝GSM网提供分组型移动数据业务GPRS（通用分组无线业务）标准,1998年基本完成GPRS标准的制定工作。GSM 09．60《通过Gn和Gp接口的GPRS隧道协议GTP》标准,属于已完成的GPRS系列标准之一。我国的《900／1800MHz TDMA数字蜂窝移动通信网通用分组无线业务（GPRS）隧道协议技术规范》,是基于GSM 09．60 标准协议、GSM 12．15 GPRS计费、GSM相关技术规范与我国通信业的具体情况,在国际标准的基础上编写而成的。一、GTP协议在GPRS传输协议栈中的位置在GPRS 传输协议栈中,GPRS隧道协议GTP是位于GSN间的UDP（TCP）／ IP（运输层／网络层）协议层之上。UDP（TCP）、IP、L2（链路层）、L1（物理层）以下四层协议,是典型的IP网络采用的协议。UDP／ IP是路径协议,是用户分组数据和信令的寻径,UDP／ IP路径是指两个端点之间的无...     

GSM系统通用分组无线业务(GPRS)的研究

介绍了CPRS的业务与应用、GPRS的无线子系统、GPRS网络的基本工作原理,以及引入GPRS业务时对现有GSM网络的影响。     

基于次梯度的L1正则化Hinge损失问题求解研究

Hinge损失函数是支持向量机(support vector machines,SVM)成功的关键,L1正则化在稀疏学习的研究中起关键作用.鉴于两者均是不可导函数,高阶梯度信息无法使用.利用随机次梯度方法系统研究L1正则化项的Hinge损失大规模数据问题求解.首先描述了直接次梯度方法和投影次梯度方法的随机算法形式,并对算法的收敛性和收敛速度进行了理论分析.大规模真实数据集上的实验表明,投影次梯度方法对于处理大规模稀疏数据具有更快的收敛速度和更好的稀疏性.实验进一步阐明了投影阈值对算法稀疏度的影响.     

自动协商中Agents的行为建模

文中提出了一种预测协商中Agent行为的学习机制,该机制的基础是仅使用协商交往中对方的历史响应进行非线性回归分析。自动协商中对方Agent的行为由其决策函数表示的策略决定。先通过一系列的模拟得到对方在采用各种策略和参数配置的响应,然后总结提取了估计对方策略的启发性知识,最后把此知识应用到实验性的在线协商中进行测试。结果表明使用这些知识能够取得比现有决策函数策略更好的结果。该学习机制可以在线使用,也不需要有关于对方的过去知识,在双方不了解或很少了解的开放式系统中尤为有效。     

基于GPU-CPU流水线的雷达回波快速聚类

提出了基于GPU-CPU流水线的雷达回波快速聚类方法.该方法利用GPU与CPU异步执行的特征,将聚类的各步骤组织成流水线,大大的挖掘了聚类全过程的的并行性.实验表明,引入这种GPU-CPU流水线机制后,该方法比一般策略的基于GPU的并行聚类算法性能有38%的提升,而相对于传统的CPU上的串行程序,获得了47x的加速比,满足了气象实时分析应用中的实时性要求.     

加权边缘损失函数的代价敏感支持向量机

已有的非平衡数据分类算法主要采取直接对损失函数进行加权的方法.文中提出一种加权边缘的hinge 损失函数并证明它的贝叶斯一致性,得到加权边缘支持向量机算法(WMSVM),并给出类似于SMO的求解方法.实验结果表明WMSVM在一些数据库上是有效的,从而从理论和实验上说明基于加权边缘的损失函数方法是已有代价敏感方法的一种较好补充.     

基于信息网格的炮兵子网研究

介绍了美军网格中心战及全球信息网格的相关情况,强调了全军信息网格建设的重要性;给出了基于信息网格的炮兵子网结构,并给出了两种存在形式,即炮兵管理虚拟子网和交战动态虚拟子网;研究了炮兵网格的基本结构及炮兵网格化改造的重点内容;最后提出了基于GRID Service的协同作战解决方案.     

随机COMID的瞬时收敛速率分析

COMID(Composite Objective MIrror Descent)是一种能够保证L1正则化结构的在线算法,其随机收敛速率可由在线算法的regret界直接得到,但其最终解是T次迭代平均的形式,稀疏性很差.瞬时解具有很好的稀疏性,因此分析算法的瞬时收敛速率在随机学习中变得越来越重要.本文讨论正则化非光滑损失的随机优化问题,当正则化项为L1和L1+L2时,分别证明了COMID的瞬时收敛速率.大规模数据库上的实验表明,在保证几乎相同正确率的同时,瞬时解一致地提高了稀疏性,尤其是对稀疏性较差的数据库,稀疏度甚至能够提升4倍以上.